脑机接口独立于外周神经和肌肉组织通道之外,它为用户大脑与外界环境的交流提供了一种新的方式。电子信息技术和人工智能技术的高速发展,为脑机接口在医疗、军事、家居、游戏等方面的应用提供了有力的支持。然而,由于脑信号本身存在的非平稳性以及不同受试者的脑信号存在一定的差异性,脑机接口训练的模型往往在新的受试者数据上表现不佳。因此,在使用脑机接口系统之前,一般要针对每个受试者进行长时间的系统校正,这已成为限制脑机接口发展的一大瓶颈。为了克服这个障碍并借鉴迁移学习的思想,可以使用其他受试者带标签的样本辅助目标受试者训练分类模型,从而减少对目标受试者带标签样本的依赖。具体的研究工作如下:本文提出一种黎曼几何切空间下的类别质心匹配迁移学习算法。该算法首先计算信号的协方差矩阵为输入特征,接着将特征矩阵映射到训练集上样本黎曼均值点的切空间中并将特征矩阵向量化。为了充分利用目标域数据的结构信息,本文在前面得到的特征向量基础上进行类别质心匹配的迁移学习。在该迁移学习算法中,由于目标域中没有带标签样本,于是通过聚类得到目标域的各个类别质心。最后通过优化定义在源域和目标域类别质心间的距离损失函数来实现两个领域间的条件概率分布对齐。更进一步地,为了在迁移学习前后保持样本类别间的判别性,本文在算法中引入了判别损失。在公开的脑磁图数据集上进行跨受试者的脑磁图分类实验,结果表明本文提出的迁移学习算法有效提升了其分类准确率。深度特征提取和传统特征提取都是脑信息处理中重点研究内容。针对深度网络训练过程中源域和目标域特征分布容易出现漂移的问题,本文提出了一种基于卷积神经网络的深度领域自适应架构。在网络训练过程中,差异损失函数的加入能够限制两个领域间的特征分布差异。更进一步地,判别性特征学习的加入,可以在适配领域间特征分布的同时维持特征类别间的可判别性。文中采取了基于样本和基于类别中心的两种判别性特征学习策略。在公开的错误相关电位数据集上的实验证明,本文的方法能够改善跨受试者的错误相关电位信号分类的性能。